基于2000—2020年MODIS逐日无云积雪面积产品，分析了太白山积雪天数、积雪面积的年、季、月变化特征。结果表明：在水文年内，太白山积雪期为9月至次年5月，年平均积雪天数为170 d,年平均积雪面积约占太白山总面积的5%。冬季积雪较多，1月最多；秋季较少，9月最少。近20 a间，太白山积雪首日提前，积雪终日延后，全年积雪天数增加，秋季以5.8 d/10 a的趋势显著增加(P<0.05),11月增加最多；而年平均积雪面积减少，冬季减少最多，秋季次之，春季呈增加趋势，5月增加明显。太白山积雪天数的增加主要出现在中山区和高山区，积雪面积的减少主要出现在低山区和中山区。
基于2000—2020年MODIS逐日无云积雪面积产品，分析了太白山积雪天数、积雪面积的年、季、月变化特征。结果表明：在水文年内，太白山积雪期为9月至次年5月，年平均积雪天数为170 d,年平均积雪面积约占太白山总面积的5%。冬季积雪较多，1月最多；秋季较少，9月最少。近20 a间，太白山积雪首日提前，积雪终日延后，全年积雪天数增加，秋季以5.8 d/10 a的趋势显著增加(P<0.05),11月增加最多；而年平均积雪面积减少，冬季减少最多，秋季次之，春季呈增加趋势，5月增加明显。太白山积雪天数的增加主要出现在中山区和高山区，积雪面积的减少主要出现在低山区和中山区。
基于2000—2020年MODIS逐日无云积雪面积产品，分析了太白山积雪天数、积雪面积的年、季、月变化特征。结果表明：在水文年内，太白山积雪期为9月至次年5月，年平均积雪天数为170 d,年平均积雪面积约占太白山总面积的5%。冬季积雪较多，1月最多；秋季较少，9月最少。近20 a间，太白山积雪首日提前，积雪终日延后，全年积雪天数增加，秋季以5.8 d/10 a的趋势显著增加(P<0.05),11月增加最多；而年平均积雪面积减少，冬季减少最多，秋季次之，春季呈增加趋势，5月增加明显。太白山积雪天数的增加主要出现在中山区和高山区，积雪面积的减少主要出现在低山区和中山区。
基于2000—2020年MODIS逐日无云积雪面积产品，分析了太白山积雪天数、积雪面积的年、季、月变化特征。结果表明：在水文年内，太白山积雪期为9月至次年5月，年平均积雪天数为170 d,年平均积雪面积约占太白山总面积的5%。冬季积雪较多，1月最多；秋季较少，9月最少。近20 a间，太白山积雪首日提前，积雪终日延后，全年积雪天数增加，秋季以5.8 d/10 a的趋势显著增加(P<0.05),11月增加最多；而年平均积雪面积减少，冬季减少最多，秋季次之，春季呈增加趋势，5月增加明显。太白山积雪天数的增加主要出现在中山区和高山区，积雪面积的减少主要出现在低山区和中山区。
基于2000—2020年MODIS逐日无云积雪面积产品，分析了太白山积雪天数、积雪面积的年、季、月变化特征。结果表明：在水文年内，太白山积雪期为9月至次年5月，年平均积雪天数为170 d,年平均积雪面积约占太白山总面积的5%。冬季积雪较多，1月最多；秋季较少，9月最少。近20 a间，太白山积雪首日提前，积雪终日延后，全年积雪天数增加，秋季以5.8 d/10 a的趋势显著增加(P<0.05),11月增加最多；而年平均积雪面积减少，冬季减少最多，秋季次之，春季呈增加趋势，5月增加明显。太白山积雪天数的增加主要出现在中山区和高山区，积雪面积的减少主要出现在低山区和中山区。
明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...
明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...
明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...
明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...
明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...